- 综合排序
- 最热优先
- 最新优先
- 来自专栏CreateAMind
4篇前沿强化学习论文
4 UNSUPERVISED CONTROL THROUGHNON-PARAMETRIC DISCRIMINATIVE REWARDS David Warde-Farley, Tom Van de Wiele
78630发布于 2018-12-26 - 来自专栏CreateAMind
强化学习教程4: Model-Free Prediction
Learning Lecture 2: Markov Decision Processes Lecture 3: Planning by Dynamic Programming Lecture 4:
34810发布于 2018-07-25 - 来自专栏深度学习
【深度学习】强化学习（五）深度强化学习
一、强化学习问题 强化学习的基本任务是通过智能体与环境的交互学习一个策略，使得智能体能够在不同的状态下做出最优的动作，以最大化累积奖励。 上述概念可详细参照：【深度学习】强化学习（一）强化学习定义 4、马尔可夫决策过程 为了简化描述，将智能体与环境的交互看作离散的时间序列。 关于马尔可夫决策过程可详细参照：【深度学习】强化学习（二）马尔可夫决策过程 5、强化学习的目标函数 强化学习的目标是通过学习一个良好的策略来使智能体在与环境的交互中获得尽可能多的平均回报。 关于值函数可详细参照：【深度学习】强化学习（四）强化学习的值函数 7、深度强化学习 深度强化学习是将强化学习和深度学习结合在一起，用强化学习来定义问题和优化目标，用深度学习来解决状态表示、策略表示和值函数建模等问题 4. 挑战和未来展望 样本效率： DRL 在处理大规模连续空间时可能需要大量的样本，提高样本效率仍然是一个挑战。
1.7K10编辑于 2024-07-30 - 来自专栏学习
机器学习——强化学习与深度强化学习
强化学习与深度强化学习：从基础到深入 引言 近年来，强化学习（Reinforcement Learning, RL）在多个领域取得了巨大的进展。 本篇文章将深入探讨强化学习与深度强化学习的基本原理、常见算法以及应用场景，旨在为读者提供一个详尽的学习路线图。 1. 强化学习基础 1.1 什么是强化学习 强化学习是一种让智能体（Agent）通过与环境（Environment）交互，获得奖励（Reward）来学习如何采取行动的学习方法。 在强化学习中，智能体通过试错不断学习，以期最大化其累积的奖励。 强化学习的基本框架包括以下几个核心元素： 状态 (State)：智能体所处的环境状态。 3.3 机器人控制 深度强化学习也被应用于机器人控制中，机器人通过学习如何与环境交互，完成如抓取、导航等任务。 4.
3.8K10编辑于 2024-10-09 - 来自专栏用户6881919的专栏
论文阅读4-----基于强化学习的推荐系统
强化学习的有点在于可以根据不断尝试不断改进策略，就是它所达到的目标并不是什么准确率或者什么其他。 公式改变为 image.png image.png 下面的就比较重要了哈 1.离线训练 image.png 主要讲一下数据的收集，off-policy b(st)，这里采用的是离线的AC：采用的是监督学习的方法像基于 2.离线测试 image.png 3.在线测试 image.png 好了好了又想学习推荐系统科研的小可爱们，但又不知道该怎样写代码的可以可我的github主页或是由中国人民大学出品的RecBole https
94400发布于 2021-01-16 - 来自专栏机器人课程与技术
强化学习笔记4-PythonOpenAITensorFlowROS-时间差分
时间差分学习（Temporal Difference Learing） 预测，估计值函数；控制，优化值函数。 离线：Q学习；在线：SARSA。 智能体驾驶出租车。 因此，智能体的目标是学习在短时间内在正确的位置接载和放下乘客，无需登上任何非法乘客。 ? 出租车案例-Q学习 import random import gym env = gym.make('Taxi-v2') env.render() q = {} for s in range(env.observation_space.n
94330发布于 2019-06-15 - 来自专栏探物及理
强化学习-4：无模型预测 model-free prediction
alpha\)代替\(\frac{1}{N(s_t)}\) \(V(S_t) \leftarrow V(S_t)+\alpha(G_t - V(S_t))\) 可以看到这里的\(\alpha\)和机器学习里面用的学习率是一个符号 差分法Temporal-Difference learning 直接从episodes 的经验学习 model-free：不知道MDP的Transition转移和Reward回报 Bootstrapping 自举学习，从部分例子学习 Goal：学习\(v_{\pi}\) 的值，under policy \(\pi\) TD(0）方法： \[ V\left(S_{t}\right) \leftarrow V +1}+\gamma V\left(S_{t+1}\right)-V\left(S_{t}\right)\right) \] TD target 是 与MC方法区别 项目 MC TD 不完整片段学习能力 无 有 在线学习(every step)能力 update until the end 有 loop环境学习能力 无，必须terminating 有 收敛性好 是 初值敏感 否 是 偏差bias zero
80120发布于 2020-08-25 - 来自专栏深度学习
【深度学习】强化学习（一）强化学习定义
一、强化学习问题 强化学习的基本任务是通过智能体与环境的交互学习一个策略，使得智能体能够在不同的状态下做出最优的动作，以最大化累积奖励。 这种学习过程涉及到智能体根据当前状态选择动作，环境根据智能体的动作转移状态，并提供即时奖励的循环过程。 1、交互的对象 在强化学习中，有两个可以进行交互的对象：智能体和环境: 1. 通过智能体与环境之间的这种相互作用，智能体通过学习和不断调整其决策策略，逐渐学会在给定环境中获得最大化奖励的有效行为，这就是强化学习的基本框架。 2、强化学习的基本要素 强化学习涉及到智能体与环境的交互，其基本要素包括状态、动作、策略、状态转移概率和即时奖励。 1. 4. 状态转移概率 (′|, ) 定义： 状态转移概率描述了在智能体在状态 下执行动作 后，环境转移到下一个状态 ′ 的概率。 5.
1.6K10编辑于 2024-07-30 - 来自专栏数据魔术师
强化学习读书笔记（4）| 动态规划（Dynamic Programming）
二号租车点的租车数量和回收数量的λ分别为4和2。问使用什么样的调配策略可以使得收益最优化？ 1、定义初始值及泊松分布 ? 2、计算expected return ? 3、策略迭代并可视化 ? ?
1.9K20发布于 2019-08-22 - 来自专栏云计算行业
强化学习
三、深度学习给强化学习带来的新机会 最近几年的强化学习非常的热门，出现了一些脍炙人口的应用，他们都是深度学习和强化学习强强联合的产物，无论是基于价值的强化数据算法，还是基于策略梯度的强化学习算法，都可以脱离于深度学习存在 2013年，深度学习和强化学习结合起来，结合成了的深度强化学习算法。那么深度强化学习算法诞生以后，在强化训练领域马上就有突飞猛进的发展，解决问题的困难程度大大超过之前的非深度强化算法。 深度强化学习算法为什么常常能够比非深度强化学习算法更厉害呢，这是因为用了深度学习的强化学习方法可以求得更加复杂的解，能在更加困难的问题上得到更好的性能。 深度强化学习算法的很多思想都是来自于那些没有利用深度学习的经典算法，学习深度学习强化算法还是非常有意义的。 接下来推荐下我的新书《强化学习原理与Python实现》，这里面的既包括了经典的非深度强化学习算法，也包括深度强化学习算法。
74820编辑于 2023-05-29 - 来自专栏有三AI
【强化学习】从强化学习基础概念开始
在开始探索强化学习的诸多算法之前，我们先来了解一下它所涉及到的具体概念。这些概念将作为基石，一直陪伴着我们的学习之旅。 在强化学习中，环境指排除智能体之外的所有组成。 (3) 智能体 智能体是强化学习中的主要研究对象，我们希望智能体能够通过环境的检验来实现系统的目标。 (4) 交互 交互专指智能体与环境的交互。 (8) 试错 试错是早期强化学习的主要方向。通过试错来探索最优策略。目前强化学习研究的方向转为奖励函数的优化。 (9) 记忆 智能体对过往经验的总结归纳和采用的方式。 3 强化学习中的六类问题 虽然强化学习给出了一个非常通用的解决问题的思路，但是面对具体问题，在不同场景下，强化学习又会有不同的侧重。 后续我们介绍具体算法的时候会一一讨论和学习，反复强化。 4 强化学习中的算法 ? 有了上述六类问题，我们再看看如何通过方法或者方法的组合去定义解决问题的算法。
90720发布于 2019-07-27 - 来自专栏小明的博客
强化学习
强化学习(reinforcement learning.)是指智能系统在与环境的连续互动中学习最优行为策略的机器学习问题。 强化学习的本质是学习最优的序贯决策。
56830编辑于 2022-09-05 - 来自专栏NowlNowl_AI
强化学习第1天：强化学习概述
介绍 强化学习是机器学习中一种独特的存在，以其独特的思想逐渐发展为一门独立的学科，强化学习适用的场景是：一个学习主体根据环境做出不同的决策，得到相应的奖励与惩罚来改进决策 它既不是监督学习也不是无监督学习 ，从这段描述中也可以看出，它不适合用来进行回归或者聚类等任务 强化学习要素 强化学习中有一些重要的概念，我们接下来一一介绍他们，如果有些不理解不要着急，我们会举一个具体例子来解释 智能体：智能体是强化学习中的主体 环境搭建：gym gym是一个集成了一些常用环境的库，我们可以通过调用这个环境库来快速入门强化学习，在python命令行中执行命令安装 ! plt.imshow(image) plt.show() 这段代码完成了一些初始设置，具体作用见代码注释，运行结果如下图 环境信息查看 我们导入环境后要查看一些环境的信息，还记得我们最开始说的强化学习要素吗 学习了强化学习的基本概念 通过一个简单示例直观感受了强化学习的基本流程 学习了将图片动画化的技术
83520编辑于 2024-01-18 - 来自专栏机器学习算法原理与实践
强化学习(十九) AlphaGo Zero强化学习原理
在强化学习(十八) 基于模拟的搜索与蒙特卡罗树搜索(MCTS)中，我们讨论了MCTS的原理和在棋类中的基本应用。 这里我们在前一节MCTS的基础上，讨论下DeepMind的AlphaGo Zero强化学习原理。 4. 当然这类强化学习算法只对特定的这类完全状态可见，信息充分的问题有效，遇到信息不对称的强化学习问题，比如星际，魔兽之类的对战游戏问题，这个算法就不那么有效了。 要推广AlphaGo Zero的算法到大多数普通强化学习问题还是很难的。因此后续强化学习算法应该还有很多发展的空间。
2.4K50发布于 2019-04-01 - 来自专栏探物及理
强化学习笔记4：无模型预测 model-free prediction
Control Evaluation -> Optimization 蒙特卡洛法 Monte-Carlo learning 定义：在不清楚MDP状态转移及即时奖励的情况下，直接从经历完整的Episode来学习状态价值 V(S_t))\] 可以看做是，\(v_{new} = v_{old} + \alpha(v_{target} - v_{old})\)，括号里面是误差 可以看到这里的\(\alpha\)和机器学习里面用的学习率是一个符号 ：不知道MDP的Transition转移和Reward回报 Bootstrapping自举学习，从部分例子学习 Goal：学习\(v_{\pi}\) 的值，under policy \(\pi\) 时序分析法 right)-V\left(S_{t}\right)\right)\) Bootstrapping：根据episode表现来更新V值，自举（依靠自己努力获得） 与MC方法区别 项目 MC TD 不完整片段学习能力 无 有 在线学习(every step)能力 update until the end 有 loop环境学习能力 无，必须terminating 有 收敛性好 是 初值敏感 否 是 偏差bias zero
81220发布于 2020-08-25 - 来自专栏LhWorld哥陪你聊算法
【强化学习篇】--强化学习案例详解一
转变为如下图：先构造奖励，达到5，即能够走得5的action则说明奖励比较高设置成100，没有达到5说明奖励比较低，设置成0。
1.5K10发布于 2018-09-13 - 来自专栏云+直播
强化学习
---- 深度学习给强化学习带来的新机会 最近几年的强化学习非常的热门，出现了一些脍炙人口的应用，他们都是深度学习和强化学习强强联合的产物，无论是基于价值的强化数据算法，还是基于策略梯度的强化学习算法， 2013年，深度学习和强化学习结合起来，结合成了的深度强化学习算法。那么深度强化学习算法诞生以后，在强化训练领域马上就有突飞猛进的发展，解决问题的困难程度大大超过之前的非深度强化算法。 深度强化学习算法为什么常常能够比非深度强化学习算法更厉害呢，这是因为用了深度学习的强化学习方法可以求得更加复杂的解，能在更加困难的问题上得到更好的性能。 深度强化学习算法的很多思想都是来自于那些没有利用深度学习的经典算法，学习深度学习强化算法还是非常有意义的。 接下来推荐下我的新书《强化学习原理与Python实现》，这里面的既包括了经典的非深度强化学习算法，也包括深度强化学习算法。
75500发布于 2020-06-06 - 来自专栏深度学习
【深度学习】强化学习（三）强化学习的目标函数
一、强化学习问题 强化学习的基本任务是通过智能体与环境的交互学习一个策略，使得智能体能够在不同的状态下做出最优的动作，以最大化累积奖励。 2、强化学习的基本要素 强化学习涉及到智能体与环境的交互，其基本要素包括状态、动作、策略、状态转移概率和即时奖励。 状态（State）：对环境的描述，可能是离散或连续的。 上述概念可详细参照：【深度学习】强化学习（一）强化学习定义 4、马尔可夫决策过程 为了简化描述，将智能体与环境的交互看作离散的时间序列。 关于马尔可夫决策过程可详细参照：【深度学习】强化学习（二）马尔可夫决策过程 5、强化学习的目标函数 强化学习的目标是通过学习到的策略 \pi_{\theta}(a|s) 来最大化期望回报（Expected 4、智能体走迷宫 a.
1.6K10编辑于 2024-07-30 - 来自专栏ArrayZoneYour的专栏
TensorFlow强化学习入门（4）——深度Q网络（DQN）及其扩展
它基于我们系列文章中（0）的单层Q网络，如果你是强化学习的初学者，我推荐你到文末跳转到（0）开始阅读。尽管简单的Q网路已经可以在简单的问题上和Q表表现一样出色，但是深度Q网络可以使其变得更强。 通过历程的随机抽取，我们可以确保网络只能基于当前环境的状态进行学习，从而习得比原始训练历程更丰富的表示。 更新目标值使用的等式： Q-Target = r + γQ(s’,argmax(Q(s’,a,ϴ),ϴ’)) Dueling DQN 为了解释Dueling DQN中网络架构变更的原因，我们首先要解释一些额外的强化学习术语 这么做的好处主要体现在强化学习的agent不需要在每个时刻都同时考虑价值和决策。举例来说：想象你在坐在公园的长椅上看日落的场景，这是十分美好的，也就是说坐在长椅上这一行为会带来很高的收益。 系列文章（翻译进度）： (0) Q-Learning的查找表实现和神经网络实现 (1) 双臂赌博机 (1.5) — 上下文赌博机 (2) —— 基于策略的Agents (3) —— 构建仿真环境来进行强化学习
8.6K110发布于 2018-03-01 - 来自专栏深度学习
【深度学习】强化学习（四）强化学习的值函数
一、强化学习问题 强化学习的基本任务是通过智能体与环境的交互学习一个策略，使得智能体能够在不同的状态下做出最优的动作，以最大化累积奖励。 2、强化学习的基本要素 强化学习涉及到智能体与环境的交互，其基本要素包括状态、动作、策略、状态转移概率和即时奖励。 状态（State）：对环境的描述，可能是离散或连续的。 上述概念可详细参照：【深度学习】强化学习（一）强化学习定义 4、马尔可夫决策过程 为了简化描述，将智能体与环境的交互看作离散的时间序列。 关于马尔可夫决策过程可详细参照：【深度学习】强化学习（二）马尔可夫决策过程 5、强化学习的目标函数 强化学习的目标是通过学习一个良好的策略来使智能体在与环境的交互中获得尽可能多的平均回报。 关于目标函数可详细参照：【深度学习】强化学习（三）强化学习的目标函数 6、值函数 在强化学习中，为了评估策略 \pi 的期望回报，引入了值函数的概念，包括状态值函数和状态-动作值函数。
1K10编辑于 2024-07-30
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号